Resumen

El objetivo de agregar los clasificadores base es conseguir un clasificador agregado que tenga una mayor resolución que los clasificadores individuales. El bosque aleatorio es uno de los tipos de métodos de aprendizaje por conjuntos que se han considerado más que otros métodos de aprendizaje por conjuntos debido a su estructura simple, su facilidad de comprensión, así como su mayor eficiencia que otros métodos similares. La capacidad y la eficiencia de los métodos clásicos siempre están influidas por los datos. Las capacidades de independencia del dominio de los datos, y la capacidad de adaptación a las condiciones del espacio del problema, son las cuestiones más desafiantes sobre los diferentes tipos de clasificadores. En este trabajo se presenta un método basado en autómatas de aprendizaje, mediante el cual las capacidades de adaptación del espacio del problema, así como la independencia del dominio de los datos, se añaden al bosque aleatorio para aumentar su eficiencia. El uso de la idea del aprendizaje por refuerzo en el bosque aleatorio ha permitido abordar problemas con datos que tienen un comportamiento dinámico. El comportamiento dinámico se refiere a la variabilidad del comportamiento de una muestra de datos en diferentes dominios. Por lo tanto, para evaluar el método propuesto, y para crear un entorno con comportamiento dinámico, se han considerado diferentes dominios de datos. En el método propuesto, la idea se añade al bosque aleatorio mediante autómatas de aprendizaje. La razón de esta elección es la estructura sencilla de los autómatas de aprendizaje y la compatibilidad de éstos con el espacio del problema. Los resultados de la evaluación confirman la mejora de la eficacia del bosque aleatorio.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:bosque aleatorio, comportamiento dinámico, autómata de aprendizaje, métodos de aprendizaje en conjunto, espacio del problema, estructura simple, métodos propuestos, dominio de datos, dominio diferente, tipo de clasificador
• Keywords:random forest, dynamic behaviour, learning automaton, ensemble learning methods, problem space, simple structure, proposed methods, data domain, different domain, type of classifier